multimodal-ai

🚀 Kit de herramientas de avatar de IA (humano digital) verdaderamente de código abierto para la generación de video sin conexión y clonación de humanos digitales.

Puerta de enlace de Agnes AI oficial y catálogo de modelos para flujos de trabajo de texto, imágenes, video y agentes compatibles con OpenAI.

Habilidades de medios generativos multimodales para agentes de IA (Claude Code, Cursor, Gemini CLI). Generación de imágenes, videos y audio de alta calidad impulsada por muapi.ai.

Mano-P: Agente GUI-VLA de código abierto para dispositivos edge. N.º 1 en OSWorld (especializado, 58.2%). Se ejecuta localmente en Mac mini/MacBook con Apple M4; ningún dato sale de tu dispositivo. Mano-P es un proyecto GUI-VLA de código abierto que admite la inferencia ejecutada localmente en Mac mini/MacBook o a través de aceleradores de cálculo, logrando operaciones de automatización de GUI multiplataforma impulsadas puramente por visión. Los datos se procesan completamente de forma local, admitiendo la planificación y ejecución de tareas complejas de múltiples pasos.

EVA OS: un sistema operativo de IA multimodal en tiempo real para hardware de próxima generación, que permite que tus dispositivos estén "vivos" y sean tan inteligentes como un cerebro real.

NVIDIA AI Blueprint para búsqueda y resumen de video (VSS) es una arquitectura de referencia acelerada por GPU para construir agentes de análisis de video con alertas verificadas en tiempo real, preguntas y respuestas visuales, y generación automatizada de informes. El Blueprint VSS utiliza modelos de lenguaje visual (VLMs) como NVIDIA Cosmos, LLMs como NVIDIA Nemotron, RAG y NVIDIA NIMs.

OpenGUI es un framework de agente GUI para Android para IA de uso telefónico que puede ver, planificar y operar aplicaciones móviles reales a través de la GUI.

Servidor de inferencia LLM de alto rendimiento compatible con OpenAI y Anthropic para Apple Silicon. Incluye MLX nativo, procesamiento por lotes continuo, modelos multimodales, llamadas a herramientas MCP y soporte para Claude Code.

Catálogo visual curado de más de 155 arquitecturas de modelos de visión-lenguaje (VLM/MLLM): artículos, diagramas, recetas de entrenamiento, conjuntos de datos y una línea de tiempo de lanzamiento para agentes de IA multimodal.

XiaoyaoSearch: Entiende tus palabras, lee tus imágenes y encuentra cualquier archivo local con IA. Haciendo que la búsqueda sea tan sencilla como chatear.

Tu agente autónomo de Android abierto: un asistente de IA listo para producción con autoplanificación, impulsado por LLMs locales/remotos y automatización de pantalla basada en accesibilidad.

Recursos, ejemplos y tutoriales para IA multimodal, RAG y agentes que utilizan búsqueda vectorial y LLM.

An open-weight 11B model series for long-form and real-time video understanding